Application of TOPKAT and TEST software in prediction of chemical toxicity
-
摘要:目的
归纳TOPKAT、TEST两款毒性预测软件对有毒化学物健康和生态毒性的可预测性和适用范围, 探讨高效、简便、快速的毒物检测实用方法。
方法采用简化分子线性输入规范(SMILES), 结合两款毒性预测软件对化学物的毒理学进行预测, 并将预测结果与欧洲化学品管理署公布的毒理学数据进行对比, 总结两款软件的优缺点。
结果TOPKAT和TEST软件能预测大多数的常见化学物毒性, TEST软件的化学物预测覆盖率高于TOPKAT软件, 能预测多取代苯环类、杂环类和大分子化学物, 而TOPKAT无法预测吡啶类、部分苯酚类和苯胺类化学物的毒性。两款毒性预测软件在预测化学物是否具有毒性方面的正确率均在85%左右。TOPKAT软件对于农药类化学物的毒性预测正确率高于TEST软件, TOPKAT预测值与文献值的线性决定系数R2为0.852(健康毒性)(P < 0.01)、0.826(生态毒性)(P < 0.01)。而TEST软件对于苯系化学物的毒性预测结果略优于TOPKAT软件, TEST预测值与文献值的线性决定系数R2为0.932(P < 0.01)(健康毒性)、0.787(生态毒性)(P < 0.01)。对于酯类和醇类化学物, TOPKAT和TEST软件都显示出良好的预测能力, 预测值与文献值的线性决定系数R2为0.854~0.986(健康毒性)(P < 0.01)、0.821~0.981(生态毒性)(P < 0.01)。
结论TOPKAT、TEST软件能高效、正确地预测大部分化学物的健康和生态毒性, 可为新化学物的健康和生态毒性评价提供依据, 为药物的早期开发提供决策支持。
-
我国目前农药生产和使用量均居世界前列,农药中毒发生率较高[1],农药中毒引起的死亡在伤害死因中排第5位[2],农药中毒病例数在中毒事件总病例数中排第3位[3],农药中毒已成为我国急需解决的公共卫生问题。彭州市农耕经济发达,是四川省最大的农产品交易中心,同时也是全国第二个举办国家级蔬菜博览会的城市,因此农药使用极为普遍,农药中毒时有发生,已成为危害该地区农村居民健康的主要因素之一。本研究对彭州市2010年1月—2017年12月农药中毒情况进行分析,以期全面掌握该地区生产性农药中毒的现状、危害程度、发病规律及其特点,为制定农药中毒预防控制措施提供科学依据。现将分析结果报告如下。
1. 资料与方法
1.1 资料
据彭州市2014年社会发展情况显示,彭州市户籍人口80.62万人,非农业人口28.36万人,是一个典型的农业县。本文数据选取自中国疾病预防控制中心职业病网络直报系统中2010—2017年彭州市全部农药中毒报告病例,经剔重和查错处理后,共得到农药中毒病例1 637例。具体包括:生产性中毒63例,非生产性中毒1 574例;彭州市境内有24家医院(3家市级医院,3家社区卫生服务中心,18家乡镇卫生院)进行过农药中毒病例报告,共报告1 238例,另有四川省境内42家医院进行过农药中毒病例报告,共报告399例。
1.2 方法
将2010—2017年全部网络直报农药中毒数据导入Excel 2007整理后,采用SPSS 21.0统计学软件分析农药中毒病例变化趋势,并对年龄、性别、季节和农药种类的分布进行分析。连续性变量使用均数±标准差(x±s)进行描述,两组间比较采用独立样本t检验;分类变量通过相对频数计算,组间比较采用X2检验。P < 0.05为差异有统计学意义。
2. 结果
2.1 各年度农药中毒情况分析
彭州市2010—2017年全部网络直报农药中毒共计1 637例,死亡59例,病死率3.60%。生产性农药中毒63例(占3.85%),死亡2例,病死率3.17%。非生产性农药中毒1 574例(占96.15%),死亡57例,病死率3.62%。生产性农药中毒和非生产性农药中毒的病死率差异无统计学意义(X2 = 0.035,P > 0.05)。生产性中毒以自用者为主,受雇者出现生产性中毒的多呈散发现象;自用者在2013年出现生产性中毒病例最多。非生产性中毒以自服为主,其中误服导致的非生产性中毒各年例数差异不大;自服导致的非生产性中毒在2013年最多。生产性和非生产性农药中毒发病例数波动有相似的趋势。各年间总体病死率比较,差异无统计学意义(X2 = 5.536,P > 0.05)。见表 1。
表 1 各年彭州市2010—2017年农药中毒病例分布年份 所有中毒 生产性中毒 非生产性中毒 例数 死亡例数 病死率/% 受雇例数 自用例数 总计例数 死亡例数 病死率/% 误服例数 自服例数 总计例数 死亡例数 病死率/% 2010 139 7 5.04 4 3 7 1 14.29 41 91 132 6 4.55 2011 199 3 1.51 0 8 8 0 0.00 43 148 191 3 1.57 2012 194 9 4.64 1 12 13 1 7.69 38 143 181 8 4.42 2013 278 9 3.24 1 15 16 0 0 38 224 262 9 3.44 2014 243 10 4.12 0 2 2 0 0 52 189 241 10 4.15 2015 202 5 2.48 0 6 6 0 0 40 156 196 5 2.55 2016 210 8 3.81 0 5 5 0 0 52 153 205 8 3.90 2017 172 8 4.65 0 6 6 0 0 47 119 166 8 4.82 合计 1 637 59 3.60 6 57 63 2 3.17 351 1 223 1 574 57 3.62 2.2 中毒病例年龄特征
各年龄组都有农药中毒病例,中毒病例的平均年龄为(41.95 ± 19.33)岁,年龄最小者1岁,最大者93岁,30 ~ < 45岁年龄组的农药中毒病例最多(占25.11%),18岁以下农药中毒病例相对较少。生产性农药中毒病例平均年龄为(47.05 ± 15.38)岁,非生产性农药中毒病例平均年龄为(41.75 ± 19.45)岁,其年龄差异有统计学意义(t = 2.652,P < 0.05)。随着年龄的增加,农药中毒病例总病死率和非生产性农药中毒病例病死率均逐渐升高,各年龄组之间总病死率差异、非生产性农药中毒病死率差异均有统计学意义(X2 = 33.575、34.347,P < 0.05)。见表 2。
表 2 彭州市2010—2017年农药中毒病例年龄分布年龄/岁 所有中毒 生产性中毒 非生产性中毒 中毒例数 死亡例数 病死率/% 中毒例数 死亡例数 病死率/% 中毒例数 死亡例数 病死率/% 0~ 138 1 0.72 5 0 0 133 1 0.75 18~ 366 4 1.09 5 1 20.00 361 3 0.83 30~ 411 9 2.19 14 0 0 397 9 2.27 45~ 394 18 4.57 26 0 0 368 18 4.89 60~ 324 27 8.23 13 1 7.69 315 26 8.25 合计 1 637 59 3.60 63 2 3.17 1 574 57 3.62 2.3 农药中毒病例性别分布特征
农药中毒病例男女性别比1:1.06。男女性别都表现为非生产性农药中毒例数多于生产性农药中毒例数。男性农药中毒例数总计794例,死亡30例,病死率3.78%;女性农药中毒例数843例,死亡29例,病死率3.44%。两者病死率差异无统计学意义(X2 = 0.135,P > 0.05)。见表 3。
表 3 彭州市2010—2017年农药中毒病例性别特征性别 所有中毒 生产性中毒 非生产性中毒 中毒例数 死亡例数 病死率/% 中毒例数 死亡例数 病死率/% 中毒例数 死亡例数 病死率/% 男 794 30 3.78 32 2 6.25 762 28 3.67 女 843 29 3.44 31 0 0 812 29 3.57 合计 1 637 59 3.60 63 2 3.17 1 574 57 3.62 2.4 农药中毒病例季节分布
总体看,春季和夏季的生产性和非生产性农药中毒病例数都相对较多,且只有春季和夏季出现了生产性农药中毒死亡病例。所有中毒病例中,四个季节的总病死率差异无统计学意义(X2 = 0.116,P > 0.05)。见表 4。
表 4 彭州市2010—2017年农药中毒病例季节分布季节 所有中毒 生产性中毒 非生产性中毒 中毒例数 死亡例数 病死率/% 中毒例数 死亡例数 病死率/% 中毒例数 死亡例数 病死率/% 春季(3—5月) 455 17 3.77 17 1 5.88 434 16 3.69 夏季(6—8月) 448 15 3.35 19 1 5.26 429 14 3.26 秋季(9一11月) 386 14 3.63 19 0 0 367 14 3.81 冬季(2—翌年2月) 352 13 3.69 8 0 0 344 13 3.78 合计 1 637 59 3.60 63 2 3.17 1 574 57 3.62 2.5 农药中毒药品种类情况
中毒病例涉及7大类27个农药品种。除草剂中毒病例最多,以百草枯中毒为主,共计817人,占所有中毒人数的49.91%,死亡40人,占总死亡人数的67.80%。有机磷农药中毒病例数居第二,占14.84%。我们合并致病死率低、中毒人数少的农药,将所有农药分为杀虫剂、有机磷、除草剂以及其他四大类,其病死率分别为5.47%(7/128)、2.88%(7/243)、4.90%(40/817)、1.12%(5/449),四者病死率比较,差异有统计学意义(X2 = 13.588,P < 0.05),其中以杀虫剂、除草剂的病死率高。见表 5。
表 5 彭州市2010—2017年农药中毒病例药品种类情况农药品种 所有中毒 生产性中毒 非生产性中毒 中毒例数 死亡例数 病死率/% 中毒例数 死亡例数 病死率/% 中毒例数 死亡例数 病死率/% 杀虫剂 128 7 5.47 11 1 9.09 117 6 5.13 有机磷 243 7 2.88 10 0 0 233 7 3 拟菊酯类 95 0 0 3 0 0 92 0 0 氨基甲酸类 3 0 0 1 0 0 2 0 0 杀虫双 8 0 0 0 0 0 8 0 0 有机氯类 18 0 0 1 0 0 17 0 0 其他杀虫剂 128 2 1.56 11 0 0 117 2 1.71 杀囷剂 15 0 0 0 0 0 15 0 0 杀鼠剂 114 1 0.88 0 0 0 114 1 0.88 除草剂 817 40 4.90 22 1 4.55 795 39 4.91 混合制剂 4 0 0 1 0 0 3 0 0 生化农药 7 0 0 1 0 0 6 0 0 其他 57 2 3.51 2 0 0 55 2 3.64 合计 1 637 59 3.60 63 2 3.17 1 574 57 3.62 3. 讨论
彭州市从2009年底开始实行农药中毒网络报告。本次调查发现,彭州市2010—2017年的农药中毒报告病例数呈现先上升后下降的趋势,在2013年达到最高值,这与四川省农药中毒病例报告的总体趋势一致[4]。这可能是因为近几年该地区的城市扩张和工业的快速发展,农村农业用地和劳动力减少,导致农药的使用减少,居民接触农药的机会减少。但不排除漏报、迟报的可能[4]。生产性中毒以自用者为主,可能与某些农民对农药危害认识不足,个人防护意识差等有关。非生产性中毒以自服为主,自服原因尚不明确,但据以往经验,多用于自杀。建议有关部门积极调查该类人群自服农药的原因,为进行有效干预提供参考。同时每年误服导致的非生产性中毒也有一定数量,且和生产性农药中毒例数的各年间波动趋势类似,提示生产性农药的使用可能会带来误服的可能;因此建议加强农药管理,提高防范意识。
从年龄特征来看,各年龄组都有农药中毒发生,平均年龄为41.95岁,高于四川省农药中毒病例的平均年龄39.81岁[4],且以30 ~<45岁年龄组中毒例数最多(占25.11%)。可能与该年龄段人群承受的工作、生活压力等有关;这一年龄段也是生产性农药使用者的主体人群。对于非生产性农药中毒群体可利用多种传播媒介,多宣传心理卫生知识,提高心理健康水平,使其妥善处理婚姻、家庭、社会矛盾,正确面对应激事件,及时化解情感危机,避免走向轻生的极端道路[5]。对于农村老年人,特别是农村留守老人应给予更多关心支持,关注其身体、心理健康,从社会、经济、文化、心理等多方面给予支持和关怀。
从性别特征来看,彭州市女性发生农药中毒多于男性,这可能与本地区农村劳动力现状有关。男性青壮年多外出打工,女性留在农村承担了大量的农业生产活动[6]。非生产性农药中毒女性病例亦多于男性,可能和女性心理承受力较低,遇到不如意的事情,容易产生轻生念头有关,本调查结果和其他地区的报道[7]基本一致。
就季节分析,春季和夏季农药中毒病例数相对较多,且只有春季和夏季出现了生产性农药中毒死亡病例,这是因为春夏两季是本地区农业生产使用农药防治病虫害的高峰期。造成生产性中毒的原因可能是由于某些农民对农药危害认识不足,未认真阅读农药使说明书,在配制、喷洒农药时没有或未正规使用符合防护标准的手套、口罩等个人防护用品,因此要在广大农民中普及农药毒害知识,使其掌握安全用药方法,做好个人防护[8],减少农药中毒的发生。
从农药中毒的药品来看,以除草剂中毒为主。除草剂类农药毒性强,价格便宜且容易得到,应加强此类药品的管理。
本文也分析了彭州市2010—2017年农药中毒的病死率。生产性和非生产性中毒、各年份间中毒、不同性别间中毒、不同季节间中毒的病死率差异均无统计学差异(P > 0.05);病死率仅在年龄、不同致毒农药品种间不同(P < 0.05)。随着年龄的增加,病死率升高,这可能是因为年纪大者,尤其是老年人发生农药中毒后与基础疾病叠加,导致临床救治更加困难[9];杀虫剂、除草剂致死率高,可能是因为这两类农药经常使用,品种毒性较大,且农业劳作中对它们的需求较大,导致这两种类型农药的暴露率相对较高,最终导致病死率高。
需要指出的是,由于当地医院接到重症中毒病例(如百草枯中毒)时,有一部分病例被马上转送至上级医院,该部分病例最后的预后结果(包括死亡例数)在本文采用的网络直报系统里是反映不出来的,因此毒性较大农药实际导致的病死率还会高于本文采用的病死率。这也是本文调查采用数据的局限性所在。希望今后职业病网络直报系统能进一步追踪异地转诊病例预后情况,建立更为完善的农药中毒统计体系。
农药中毒是一项重要的公共卫生问题。规范农药使用方法、宣传安全使用、保管农药的知识(尤其是高危季节的农药使用)、规范农药销售和购买程序,将有助于减少农药中毒发生。同时,应对留守妇女和老年人给予更多关心支持。此外,应呼吁政府加大农药研发力度,尽快研制出高效、低残留、低毒和无毒的绿色农药并加以推广[10]。
本研究分析的农药中毒数据来源于国家职业病网络直报系统,但由于一些基层卫生医疗机构漏报现象的存在,网络报告病例数可能会低于实际农药中毒人数,因此并不能完全反映彭州市农药中毒的真实情况。然而本研究结果仍可以作为初步一线资料,为各地区开展农药中毒调查和干预提供参考。
-
表 1 代表性化学物的SMILES表达式及其大鼠口服毒性LD50文献值和预测值(mg/kg)
化学物名称 SMILES表达式 文献值 TOPKAT预测值 TEST预测值 农药 二溴磷 BrC(Cl)(Cl)C(Br)OP(=O)(OC)OC 92 126.0 98.35 萘肽磷 c1ccc3c2c1C=CC=C2C (=O)N (OP (=O) (OCC) OCC)C3(=O) 70 233.0 86.74 脱叶磷 CCCCSP(=O)(SCCCC)SCCCC 150 161.3 221.98 苯系物 邻氯苯亚甲基丙二腈 c1cccc(Cl)c1C=C(C#N)C#N 178 134.7 165.00 对硝基苯胺 c1cc(N) ccc1N(=O)=O 750 889.5 1 231.04 对苯二酚 c1cc(O) ccc1O 320 514.3 456.84 酯类 苯乙酸乙酯 c1ccccc1CC(=O)OCC 3 300 2 100.0 2 722.03 甲苯二异氰酸酯 c1cc(C) c(N=C=O) cc1N=C=O 5 110 3 600.0 4 164.35 乙酸丙酯 CC(=O)OCCC 9 370 6 500.0 5 050.52 杂环类 3-[[(2S, 4S)-4-[4-(3-甲基-1-苯基-1H-吡唑-5-基)-1-哌嗪基]-2-吡咯烷基]甲酰基]噻唑烷 CC1=NN(C(=C1)N1CCN(CC1)[C@@H]1CN[C@@H](C1)C(=O)N1CCSC1)C1=CC=CC=C1 > 500 预测无效 886.81 3-(4,4,5,5-四甲基-1,3,2-二氧杂环戊硼烷-2-基)环戊-2-烯-1-酮 C1CC(=O)C=C1B2OC(C)(C)C(C)(C)O2 > 2000 预测无效 4200.00 表 2 两种软件健康毒性预测结果比较
化学物 种数 预测准确率/% 同文献值间的决定系数a TOPKAT TEST TOPKAT TEST 农药 34 86 80 0.852 0.659 苯系物 31 87 88 0.895 0.932 酯类 32 89 90 0.971 0.986 醇类 33 91 93 0.854 0.891 杂环类 31 66 70 0.673 0.782 [注] a决定系数所对应P值均<0.05 表 3 代表性化学物的SMILES表达式及其鱼类急性毒性LC50-log文献值和预测值(1/mol)
化学物名称 SMILES表达式 文献值 TOPKAT预测值 TEST预测值 农药 丙溴磷 c1cc(Br)cc(Cl)c1OP(= O)(OCC)SCCC 6.32 5.85 6.19 保棉磷 c1cccc2c1N=NN(CSP (=S)(OC)OC)C2(=O) 5.51 6.64 5.11 氰戊菊酯 c1cc(Cl)ccc1C(C(C)C) C(=O)OC(C#N)c2cc (Oc3ccccc3 ccc2 8.12 8.83 8.22 苯系物 苯酚 c1ccccc1O 3.49 3.56 3.45 苯胺 c1ccccc1N 2.99 2.90 3.09 N/N-二羟乙基苯胺 c1ccccc1N(CCO) CCO 2.39 2.41 2.53 酯类 苯甲酸乙酯 c1ccccc1C(=O) OCC 4.24 4.12 3.80 甲基丙烯酸苄基酯 c1ccccc1COC(=O) C(= C)C 4.58 4.59 4.57 丁酸乙烯酯 CCCC(=O)OC=C 3.98 4.18 3.76 醇类 2-吗啉乙醇 C1COCCN1CCO 1.68 1.42 1.46 叔丁醇 CC(C)(C)O 1.06 0.70 1.43 正戊醇 CCCCCO 2.21 2.40 2.44 表 4 两种软件生态毒性预测结果比较
化学物 种数 预测准确率/% 同文献值间的决定系数a TOPKAT TEST TOPKAT TEST 农药 31 92 75 0.826 0.493 苯系物 32 95 97 0.746 0.787 酯类 32 94 88 0.890 0.821 醇类 33 92 94 0.965 0.981 杂环类 32 87 90 0.732 0.829 [注]a决定系数所对应P值均 < 0.05 -
[1] MYINT K Z, WANG L, TONG Q, et al. Molecular fingerprint-based artificial neural networks QSAR for ligand biological activity predictions[J]. Mol Pharmaceutics, 2012, 9(10):2912-2923. doi: 10.1021/mp300237z
[2] WANG M J, ZHAO X B, WU D, et al. Design, synthesis, crystal structure, insecticidal activity, molecular docking, and QSAR studies of novel N3-substituted imidacloprid derivatives[J]. J Agric Food Chem, 2014, 62(24):5429-5442. doi: 10.1021/jf501108j
[3] CHERKASOV A, MURATOV E N, FOURCHES D, et al. QSAR modeling:Where have you been where are you going to[J]. J Med Chem, 2014, 57(12):4977-5010. doi: 10.1021/jm4004285
[4] US Environmental Protection Agency. Operation manual for the ecological structure-activity relationship model (ECOSAR) class program (Version 1.1)[A]. 2011.
[5] 程艳, 陈会明, 于文莲. QSAR技术对高关注化学物质生态环境毒理风险预测[J].环境科学研究, 2009, 22(7):817-822. http://d.old.wanfangdata.com.cn/Periodical/hjkxyj200907014 [6] SNYDER R D, PEARL G S, MANDAKAS G, et al. Assessment of the sensitivity of the computational programs DEREK, TOPKAT, and MCASE in the prediction of the genotoxicity of pharmaceutical molecules[J]. Environ Mol Mutagen, 2004, 43(3):143-158. doi: 10.1002/em.20013
[7] BARRATT M D, CASTELL J V, MIRANDA M A, et al. Development of an expert system rulebase for the prospective identification of photoallergens[J]. J Photochem Photobiol B, 2000, 58(1):54-61. doi: 10.1016/S1011-1344(00)00100-7
[8] HILLEBRECHT A, MUSTER W, BRIGO A, et al. Comparative evaluation of in silico systems for ames test mutagenicity prediction:Scope and limitations[J]. Chem Res Toxicol, 2011, 24(6):843-854. doi: 10.1021/tx2000398
[9] 黄晓龙.国外化学物结构-毒性数据库"TOPKAT"简介[J].中国新药杂志, 2005, 14(3):262-264. doi: 10.3321/j.issn:1003-3734.2005.03.003 [10] 秦涛余, 刘东武, 陈志伟. Topkat 6.2软件对斑蜇素衍生物结构-毒性关系的分析研究[J].生命的化学, 2009, 28(1):124-128. http://www.cnki.com.cn/Article/CJFDTotal-SMHX200901032.htm [11] KARWATH A, DE R L. SMIREP:Predicting chemical activity from SMILES[J]. J Chem Inf Model, 2006, 46(6):2432-2444. doi: 10.1021/ci060159g
[12] BONE R G A, FIRTH M A, SYKES R A. SMILES extensions for pattern matching and molecular transformations:applications in chemoinformatics[J]. J Chem Inf Comput Sci, 1999, 39(5):846-860. doi: 10.1021/ci990422w
[13] VENKATAPATHY R, MOUDGAL C J, BRUCE R M. Assessment of the oral rat chronic lowest observed adverse effect level model in TOPKAT, a QSAR software package for toxicity prediction[J]. J Chem Inf Comput Sci, 2004, 44(5):1623-1629. doi: 10.1021/ci049903s
[14] US Environmental Protection Agency. User's Guide for T.E.S.T. (version 4.0) (Toxicity Estimation Software Tool)[A]. 2011.
[15] WEININGER D, WEININGER A, WEININGER J L. Algorithm for generation of unique SMILES notation[J]. J Chem Inf Comput Sci, 1989, 29(2):97-101. http://database.oxfordjournals.org/external-ref?access_num=10.1021/ci00062a008&link_type=DOI
[16] YOST E E, STANEK J, DEWOSKIN R S, et al. Estimating the potential toxicity of chemicals associated with hydraulic fracturing operations using quantitative structure-activity relationship modeling[J]. Environ Sci Technol, 2016, 50(14):7732-7742. doi: 10.1021/acs.est.5b05327
[17] BHHATARAI B, WILSON D M, PARKS A K, et al. Evaluation of TOPKAT, toxtree, and derek nexus in silico models for ocular irritation and development of a Knowledge-based framework to improve the prediction of severe irritation[J]. Chem Res Toxicol, 2016, 29(5):810-822. doi: 10.1021/acs.chemrestox.5b00531
-
期刊类型引用(4)
1. 戴聪,田珩,吴纯敏,杨仪雪,贝琦华,严全鸿. 丙酸倍氯米松吸入气雾剂中新杂质的定性定量分析. 药学前沿. 2024(11): 416-423 . 百度学术
2. 贺泳迪,宋金瓯,武斌,王晓文,谢继标,王斌. 应用毒性评价软件工具和Toxtree软件预测硝基烃及其衍生物的毒性. 中国药理学与毒理学杂志. 2022(07): 509-520 . 百度学术
3. 韩中惠,王晓敏,张燕,刘冰,王硕. 应用Discovery Studio(TOPKAT)软件预测糖抑制PhIP过程中新产物的毒理学性质. 中国食品学报. 2020(10): 247-253 . 百度学术
4. 王思怿,范宾,董学胜. 简化分子线性输入规范介绍及其化学品毒性预测效果回顾. 职业卫生与应急救援. 2018(05): 471-476 . 本站查看
其他类型引用(15)